XiaoMi-AI文件搜索系统
World File Search System专家级
增强学习是您需要的
为了评估增强学习（RL）培训的影响，我们将新优化模型的性能与六个广受认可的基准测试的基础模型进行了系统的比较。这些基准已广泛用于评估大语模型（LLMS），现有结果可在HuggingFace [19]上使用。选定的基准是：小学数学8K（GSM8K）[20] [20]，指导遵循评估（IFEVAL）[21] [21]，Big Bench Hard（BBH）[22] [22]，数学能力测试（数学）[23] [23]，更强大且具有更强大且具有挑战性的多任务语言理解Benchmark（MMLU-Pro）[24] [24] [24] [24] [24]。这些基准共同涵盖了各种语言和认知挑战，包括以下教学，多步推理，数学解决问题，专家级别的问答和复杂的知识综合。下面，我们提供了每个基准及其意义的详细概述。
人工智能入侵人类了吗？患者接受人工智能医疗意愿的机制研究——基于群际威胁理论的视角
人工智能已成为未来医疗行业发展的核心驱动力之一，但患者对人工智能在医疗中的应用持怀疑态度。本研究基于群际威胁理论（ITT），验证了患者在治疗（实验一：n = 446）和诊断（实验二：n = 330）场景中，会将人工智能视为外部群体，从而引发外部群体的感知威胁，导致患者出现回避行为。结果显示，尽管人工智能在医疗中可以提供专家级的准确性，但随着人工智能更多地参与医疗，患者仍然更容易依赖人类医生，并产生更多的负面情绪（实验一）。此外，患者更加关注与自身相关的个体层面的威胁，例如与隐私问题相关的现实威胁和与忽视个人特征相关的象征性威胁。相比之下，群体层面的现实威胁和象征性威胁对医疗场景下的患者影响较小（实验二）。
![arxiv：2407.17032v1 [cs.lg] 2024年7月24日-Eprints Soton](/simg/2\2f4040608edfe5361b3884f81cfb901afe4ce241.webp)
arxiv：2407.17032v1 [cs.lg] 2024年7月24日-Eprints Soton
发表了深Q-Networks（DQN）[Mnih等。，2013年]，从其人工智能（AI）冬季唤醒了增强学习（RL），这表明一般基于神经网络的算法可以在一系列复杂的任务中实现专家级的性能。在后来的几年中，深度神经网络的RL导致特工在Go Silver等人中击败了专业人士。[2017]，Dota 2 Berner等。[2019]，Starcraft 2 [Vinyals等。 ，2019年]以及更多。 因此，在学术界和行业内，对RL研究的公共利益最近都在显着增长。 同时，Openai Gym [Brockman等。 ，2016年]成为第一个广泛采用的普通API。 体育馆是健身房的维护叉子，带来了许多改进和API更新，以使其继续使用开源RL研究。[2019]，Starcraft 2 [Vinyals等。，2019年]以及更多。因此，在学术界和行业内，对RL研究的公共利益最近都在显着增长。同时，Openai Gym [Brockman等。，2016年]成为第一个广泛采用的普通API。体育馆是健身房的维护叉子，带来了许多改进和API更新，以使其继续使用开源RL研究。
从合成数据中学习机器人学习的可扩展配方...
Lucidsim一次提供了所有三种解决方案。首先，我通过围绕Mujoco物理引擎构建并使用对象掩码和深度从模拟器构成和调节生成的图像来使数据实现和多样化。这确保了与场景几何形状的视觉一致性。为了减轻由于这种调节而导致的样本多样性的丧失，我通过从Chatgpt采购结构化图像提示来注入变化。第二，我通过一种新技术（DIM）提高了渲染速度，该技术通过机器人的摄像头姿势和场景几何形状计算得出的光流，将单个生成的图像扭曲为连续的帧。昏暗的使Lucidsim更快。最后，要生成policy数据，我们需要在封闭循环中运行图像生成，视觉策略在每个时间步骤中都会使用生成的图像。让Lucidsim“ Go Burrr”是关键，因此我开发了系统工具来分发轨迹采样，图像翘曲和跨80 + GPU的图像生成。Lucidsim的结果表明，闭环培训完全负责获得视觉政策以达到专家级的性能。
人工智能在未破裂颅内动脉瘤中的作用：概述
颅内动脉瘤 (IA) 是一个重大的公共卫生问题。在没有合并症且平均年龄为 50 岁的人群中，其患病率高达 3.2%。需要一种有效的方法来识别 IA 高风险受试者，以提供足够的放射学筛查指南并有效分配医疗资源。人工智能 (AI) 因其在基于图像的任务中的出色表现而受到全世界的关注。它可以作为临床环境中医生的辅助手段，提高诊断准确性，同时减少医生的工作量。AI 可以像人类一样执行模式识别、对象识别和问题解决等任务。根据收集的训练数据，AI 可以以半自主的方式协助决策。同样，AI 可以识别可能的诊断，并根据健康记录或影像数据选择合适的治疗方法，而无需任何明确的编程（指令集）。动脉瘤破裂预测是预测建模的圣杯。AI 可以显著改善破裂预测，从而挽救生命和肢体。如今，深度学习 (DL) 在准确检测医学影像中的病变方面显示出巨大潜力，并且已经达到甚至超越了专家级诊断。这是通过增加计算放射组学准确诊断 UIA 的第一步。这不仅可以诊断，还可以建议治疗方案。未来，我们将看到 AI 在 IA 的诊断和管理中发挥越来越大的作用。
了解心力衰竭患者的心脏恶病质
通讯作者： Jenjiratchaya Thanapholsart，* 理学硕士、博士（候选人），英国伦敦国王学院南丁格尔护理、助产和姑息治疗学院成人护理系。电子邮箱：jenjiratchaya.thanapholsart@kcl.ac.uk Ehsan Khan，博士，高级讲师，英国伦敦国王学院南丁格尔护理、助产和姑息治疗学院成人护理系 Satit Janwanishstaporn，医学博士，助理教授，泰国玛希隆大学医学院 Siriraj 医院心脏病学系。 Porntipa Thongma，神经科学硕士、注册护士，泰国玛希隆大学医学院 Siriraj 医院护理系。 Saowanee Naowapanich ，医学硕士，高级专家级，泰国玛希隆大学诗里拉吉医院医学院护理系。 Srisakul Chirakanchanakorn ，医学博士，泰国玛希隆大学诗里拉吉医院医学院心脏病学系助理教授。 Porntera Sethalao ，医学博士，讲师，泰国玛希隆大学诗里拉吉医院医学院心脏病学系。 Pornpoj Pramyothin ，医学博士，泰国玛希隆大学诗里拉吉医院医学院营养学系助理教授。 Geraldine A. Lee ，哲学博士，爱尔兰科克大学护理与助产学院教授。
![arxiv：2412.14135v1 [cs.ai] 2024年12月18日](/simg/b\ba6858cc5362071828a21c1cb0683c3c2b12b707.webp)
arxiv：2412.14135v1 [cs.ai] 2024年12月18日
OpenAI O1代表了人工整体的重要里程碑，该里程碑在需要强大的推理能力的许多挑战任务上实现了专家级别的表现。Openai声称O1背后的主要techinique是秘密学习（Openai，2024a; b）。最近的作品使用诸如知识蒸馏之类的替代方法来模仿O1的推理风格，但是它们的有效性受到教师模型的能力上限的限制。因此，本文从强化学习的角度来解析了实现O1的路线图，重点关注四个关键组成部分：政策初始化，奖励设计，搜索和学习。策略初始化使模型能够开发类似人类的推理行为，使他们能够有效地探索解决方案空间的复杂问题。奖励设计通过奖励成型或奖励建模提供密集有效的信号，这是搜索和学习的指导。搜索在训练和测试阶段生成高质量的解决方案中起着至关重要的作用，这可以通过更多的计算产生更好的解决方案。学习利用通过搜索改进策略生成的数据，可以通过更多的参数和更多的搜索数据来实现更好的性能。现有试图重现O1的开源项目似乎是我们路线图的一部分或变体。共同强调了学习和搜索如何推动O1的进步，从而为LLM的开发做出了有意义的贡献。
韩国生物医学语料库（KBMC）用于医学命名实体识别
特定于领域的命名实体识别（NER）的意义，尤其是在法律和医学等领域，要求进行更深入的研究和实现。NER在医疗NLP中的作用如下：首先，NER有助于处理医学术语。医学ner使语言模型能够识别和处理医疗术语和行话。接下来，它有助于从非结构化数据中提取信息。实际上，Pearson等。（2021）已经执行了NER来重新移动或从非结构化医疗数据集中编码信息。此外，NER有助于敏感的患者特定信息的匿名性（Catelli等人，2021）。但是，医疗数据集不足是有问题的。这个问题变得更加具有挑战性，因为特定领域的NER任务需要广泛的标签，尤其是对于疾病，身体和治疗等特定实体类别。由于需要专家级知识，因此难以进一步放大。数据稀缺问题在诸如韩文等相对低资源的语言中会恶化。没有开源医疗数据集的韩国人证明了问题的严重性。为了解决数据稀缺问题，我们介绍了KBMC（韩国生物医生），这是第一个针对韩国的开源医疗数据集。我们利用chatgpt 1进行有效的句子创建。随后，我们注释了与生物格式下的疾病名称，身体部位和治疗相对应的实体。增加数据集并检查一般文本中的性能，
与云连接的无线Holter Monitor具有基于神经网络的ECG分析，用于远程健康监控
摘要 - 这项研究描述了创建无线可运输的Holter监测器，以提高心脏病诊断的准确性。这项研究的主要目标是开发一种适合贫困地区的低成本心脏筛查系统，以解决心血管死亡的上升速度。建议的系统包括使用连接的电极进行实时心脏信号收集的无线心电图（ECG）模块，WiFi使数据传输成为可能，以进行云服务器进行档案和分析。系统使用神经网络模型来自动ECG分类，重点关注心脏异常的识别。我们升级的深层神经网络体系结构超越了心脏病专家级ECG分析的诊断表现，该结构进行了彻底的评估，并显示出惊人的准确率超过88％。这项开创性的技术提供了一种快速，准确且价格合理的心脏筛查选项，该技术将无线数据传输与AI辅助诊断合并。除了提供开发过程的详细概述外，本文还突出了用于提高模型准确性的方法，例如数据制备，使用过度采样和模型进行细调。工作显示了由AI提供动力并最大化可穿戴和云计算资源的全面远程心脏筛查系统的生存能力。这种尖端的远程健康监测技术对改善健康成果和早期识别有很大的希望，尤其是在资源受限的国家中。
J-BHI 特刊“面向医疗保健的生物医学信号基础模型”
人工智能 (AI) 和医疗保健的快速发展为工程师、计算研究人员和医学专家提供了大量机会，可以开发用于健康监测、医疗诊断和治疗建议的创新算法，最终使医生和患者都受益。心电图 (ECG)、脑电图 (EEG) 和肌电图 (EMG) 等生物医学信号在各种健康状况的无创监测和诊断中起着至关重要的作用。这些生物医学信号富含临床有用的信息，分别反映了心脏、大脑和肌肉的潜在生理和病理状态。人工智能与这些信号的结合为提高医疗评估的准确性、效率和可及性开辟了新途径。例如，在心电图领域，基于人工智能的算法可以自动检测一些心律失常和异常，准确度接近专家级。然而，开发使用生物医学信号的可靠人工智能驱动诊断工具仍然面临着噪声、干扰、伪影以及对长期数据流进行稳健处理的需求等挑战。人工智能的最新进展，包括大型语言模型 (LLM)、Mamba 神经网络和生成式人工智能，为开发先进的神经网络模型以应对生物医学数据挑战开辟了新的机会。作为这一跨学科领域的基石，基础模型可以作为复杂的框架，整合大量生物医学信号数据，并能够创建更精确、更具体、更个性化的预测、诊断和治疗工具，从而有可能彻底改变诊断和监测领域。本期特刊旨在探索人工智能在人类医疗保健生物医学信号分析方面的最新进展和应用，这将为基础模型铺平道路。我们诚邀原创研究文章、评论和案例研究，涉及但不限于以下主题：